Data Cleaning + EDA
David Ruiz
2025-11-13
source('R-libraries-ICdD_p2.r')- Carga de información
df= read_csv("global_air_quality_data_10000.csv") %>% data.frame()
head(df)## City Country Date PM2.5 PM10 NO2 SO2 CO O3
## 1 Bangkok Thailand 2023-03-19 86.57 25.19 99.88 30.63 4.46 36.29
## 2 Istanbul Turkey 2023-02-16 50.63 97.39 48.14 8.71 3.40 144.16
## 3 Rio de Janeiro Brazil 2023-11-13 130.21 57.22 98.51 9.92 0.12 179.31
## 4 Mumbai India 2023-03-16 119.70 130.52 10.96 33.03 7.74 38.65
## 5 Paris France 2023-04-04 55.20 36.62 76.85 21.85 2.00 67.09
## 6 Los Angeles USA 2023-01-05 121.28 196.39 86.17 28.74 2.64 46.86
## Temperature Humidity Wind.Speed
## 1 17.67 59.35 13.76
## 2 3.46 67.51 6.36
## 3 25.29 29.30 12.87
## 4 23.15 99.97 7.71
## 5 16.02 90.28 14.16
## 6 18.53 43.01 3.96df |> dim()## [1] 10000 12df |>
vis_dat() +
labs(title = "Estructura y Clases de Variables del Conjunto de Calidad del Aire") +
theme(
plot.title = element_text(hjust = 0.5),
axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=0),
axis.text.y = element_text(size = 8)
)
df |> skimr::skim() |> skimr::yank("character")Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| City | 0 | 1 | 5 | 14 | 0 | 20 | 0 |
| Country | 0 | 1 | 2 | 12 | 0 | 19 | 0 |
df |> skimr::skim() |> skimr::yank("Date")Variable type: Date
| skim_variable | n_missing | complete_rate | min | max | median | n_unique |
|---|---|---|---|---|---|---|
| Date | 0 | 1 | 2023-01-01 | 2023-12-28 | 2023-06-27 | 336 |
max(df$Date)-min(df$Date)## Time difference of 361 daysObservación. Si existe datos pérdidos, en teoría debio pasar 361 días y solo se cuentan 336 registros únicos
Antes de completar las fechas, vamos a evitar duplicados de cada dia - Ciudad - País
df1 <- df %>%
group_by(Country, City, Date) %>%
summarise(
across(where(is.numeric), ~mean(.x, na.rm = TRUE)),
) %>%
ungroup()## `summarise()` has grouped output by 'Country', 'City'. You can override using
## the `.groups` argument.dim(df1)## [1] 5203 12head(df1)## # A tibble: 6 × 12
## Country City Date PM2.5 PM10 NO2 SO2 CO O3 Temperature
## <chr> <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Australia Sydney 2023-01-02 74.7 70.6 33.8 20.2 3.36 84.6 7.15
## 2 Australia Sydney 2023-01-03 58.2 129. 62.0 36.6 4.65 106. 11.6
## 3 Australia Sydney 2023-01-04 109. 89.8 43.5 17.8 3.35 139. 18.8
## 4 Australia Sydney 2023-01-05 16.3 95.6 67.3 14.7 7.05 72.8 6.22
## 5 Australia Sydney 2023-01-06 144. 29 73.9 16.2 0.14 157 31.1
## 6 Australia Sydney 2023-01-07 100. 99.7 55.3 18.1 6.77 88.1 11.8
## # ℹ 2 more variables: Humidity <dbl>, Wind.Speed <dbl>f_i <- min(df1$Date)
f_f <- max(df1$Date)
rango_completo_fechas <- seq.Date(from = f_i, to = f_f, by = "day")
dfc <- df1 %>%
complete(
nesting(City, Country),
Date = rango_completo_fechas
)
dfc <- dfc %>%
arrange(Country, City, Date)
# Revisa el resultado:
glimpse(dfc)## Rows: 7,240
## Columns: 12
## $ City <chr> "Sydney", "Sydney", "Sydney", "Sydney", "Sydney", "Sydney"…
## $ Country <chr> "Australia", "Australia", "Australia", "Australia", "Austr…
## $ Date <date> 2023-01-01, 2023-01-02, 2023-01-03, 2023-01-04, 2023-01-0…
## $ PM2.5 <dbl> NA, 74.74333, 58.24500, 109.41500, 16.32000, 144.36000, 10…
## $ PM10 <dbl> NA, 70.63000, 128.91500, 89.81000, 95.63000, 29.00000, 99.…
## $ NO2 <dbl> NA, 33.82000, 61.95000, 43.47500, 67.29000, 73.86000, 55.3…
## $ SO2 <dbl> NA, 20.216667, 36.575000, 17.810000, 14.710000, 16.230000,…
## $ CO <dbl> NA, 3.363333, 4.655000, 3.350000, 7.050000, 0.140000, 6.77…
## $ O3 <dbl> NA, 84.55667, 105.70500, 138.96500, 72.75000, 157.00000, 8…
## $ Temperature <dbl> NA, 7.153333, 11.600000, 18.765000, 6.220000, 31.130000, 1…
## $ Humidity <dbl> NA, 55.40333, 78.97500, 44.20500, 19.99000, 14.92000, 45.7…
## $ Wind.Speed <dbl> NA, 8.793333, 4.100000, 10.255000, 10.760000, 12.200000, 1…dfc |> vis_dat()
dfc |> skimr::skim() |> skimr::yank("numeric")Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| PM2.5 | 2037 | 0.72 | 77.19 | 34.36 | 5.03 | 52.37 | 77.18 | 101.81 | 149.96 | ▃▆▇▆▃ |
| PM10 | 2037 | 0.72 | 104.18 | 44.89 | 10.07 | 71.88 | 104.40 | 135.95 | 199.91 | ▃▆▇▆▃ |
| NO2 | 2037 | 0.72 | 51.97 | 22.27 | 5.01 | 36.14 | 52.33 | 68.14 | 99.98 | ▃▅▇▆▂ |
| SO2 | 2037 | 0.72 | 25.30 | 11.53 | 1.01 | 17.31 | 25.34 | 33.33 | 49.95 | ▃▅▇▅▃ |
| CO | 2037 | 0.72 | 5.05 | 2.31 | 0.10 | 3.42 | 5.06 | 6.67 | 10.00 | ▃▆▇▅▃ |
| O3 | 2037 | 0.72 | 105.69 | 45.15 | 10.05 | 72.98 | 105.82 | 138.15 | 199.90 | ▃▆▇▆▃ |
| Temperature | 2037 | 0.72 | 14.95 | 11.68 | -10.00 | 6.84 | 14.85 | 23.21 | 39.98 | ▃▆▇▆▃ |
| Humidity | 2037 | 0.72 | 55.22 | 21.02 | 10.01 | 40.22 | 55.28 | 70.32 | 99.92 | ▃▆▇▆▃ |
| Wind.Speed | 2037 | 0.72 | 10.22 | 4.64 | 0.51 | 6.92 | 10.24 | 13.46 | 19.99 | ▃▆▇▆▃ |
dim(dfc)## [1] 7240 12missing_summary <- dfc %>%
group_by(Country, City) %>%
summarise(
Dias_Totales_Rango = n(),
Dias_Faltantes = sum(is.na(PM2.5)),
Porcentaje_Faltante = (Dias_Faltantes / Dias_Totales_Rango) * 100
) %>%
# 3. Ordenamos para ver los peores casos primero
arrange(desc(Porcentaje_Faltante))## `summarise()` has grouped output by 'Country'. You can override using the
## `.groups` argument.print(missing_summary)## # A tibble: 20 × 5
## # Groups: Country [19]
## Country City Dias_Totales_Rango Dias_Faltantes Porcentaje_Faltante
## <chr> <chr> <int> <int> <dbl>
## 1 Australia Sydney 362 114 31.5
## 2 Mexico Mexico Ci… 362 113 31.2
## 3 USA New York 362 111 30.7
## 4 UAE Dubai 362 110 30.4
## 5 UK London 362 107 29.6
## 6 Brazil Rio de Ja… 362 106 29.3
## 7 China Beijing 362 106 29.3
## 8 South Korea Seoul 362 106 29.3
## 9 Japan Tokyo 362 105 29.0
## 10 Egypt Cairo 362 104 28.7
## 11 Turkey Istanbul 362 103 28.5
## 12 Germany Berlin 362 101 27.9
## 13 USA Los Angel… 362 100 27.6
## 14 Thailand Bangkok 362 98 27.1
## 15 France Paris 362 97 26.8
## 16 India Mumbai 362 95 26.2
## 17 Russia Moscow 362 93 25.7
## 18 South Africa Johannesb… 362 91 25.1
## 19 Spain Madrid 362 89 24.6
## 20 Canada Toronto 362 88 24.3dfc |> plot_num()## Warning: attributes are not identical across measure variables; they will be
## dropped
dfc |> freq()
## City frequency percentage cumulative_perc
## 1 Bangkok 362 5 5
## 2 Beijing 362 5 10
## 3 Berlin 362 5 15
## 4 Cairo 362 5 20
## 5 Dubai 362 5 25
## 6 Istanbul 362 5 30
## 7 Johannesburg 362 5 35
## 8 London 362 5 40
## 9 Los Angeles 362 5 45
## 10 Madrid 362 5 50
## 11 Mexico City 362 5 55
## 12 Moscow 362 5 60
## 13 Mumbai 362 5 65
## 14 New York 362 5 70
## 15 Paris 362 5 75
## 16 Rio de Janeiro 362 5 80
## 17 Seoul 362 5 85
## 18 Sydney 362 5 90
## 19 Tokyo 362 5 95
## 20 Toronto 362 5 100
## Country frequency percentage cumulative_perc
## 1 USA 724 10 10
## 2 Australia 362 5 15
## 3 Brazil 362 5 20
## 4 Canada 362 5 25
## 5 China 362 5 30
## 6 Egypt 362 5 35
## 7 France 362 5 40
## 8 Germany 362 5 45
## 9 India 362 5 50
## 10 Japan 362 5 55
## 11 Mexico 362 5 60
## 12 Russia 362 5 65
## 13 South Africa 362 5 70
## 14 South Korea 362 5 75
## 15 Spain 362 5 80
## 16 Thailand 362 5 85
## 17 Turkey 362 5 90
## 18 UAE 362 5 95
## 19 UK 362 5 100## [1] "Variables processed: City, Country"dfc %>% select(,City,Country) %>% unique()## # A tibble: 20 × 2
## City Country
## <chr> <chr>
## 1 Sydney Australia
## 2 Rio de Janeiro Brazil
## 3 Toronto Canada
## 4 Beijing China
## 5 Cairo Egypt
## 6 Paris France
## 7 Berlin Germany
## 8 Mumbai India
## 9 Tokyo Japan
## 10 Mexico City Mexico
## 11 Moscow Russia
## 12 Johannesburg South Africa
## 13 Seoul South Korea
## 14 Madrid Spain
## 15 Bangkok Thailand
## 16 Istanbul Turkey
## 17 Dubai UAE
## 18 London UK
## 19 Los Angeles USA
## 20 New York USAdf2 <- dfc %>%
mutate(Continent = case_when
(
Country %in% c('Turkey','UAE','China','South Korea','Japan','India','Thailand') ~ "Asia",
Country %in% c('Egypt','South Africa') ~ "Africa",
Country %in% c('Canada','Mexico','USA') ~ "N-America",
Country %in% c('Brazil') ~ "S-America",
Country %in% c('Russia','Spain','Germany','UK','France') ~ "Europe",
Country %in% c('Australia') ~ "Oceania"
))df2 <- df2 %>%
mutate(Hemisphere = case_when
(
Country %in% c('Turkey','UAE','China','South Korea','Japan','India','Thailand') ~ "North",
Country %in% c('Egypt') ~ "North",
Country %in% c('South Africa') ~ "South",
Country %in% c('Canada','Mexico','USA') ~ "North",
Country %in% c('Brazil') ~ "South",
Country %in% c('Russia','Spain','Germany','UK','France') ~ "North",
Country %in% c('Australia') ~ "South"
))
head(df2)## # A tibble: 6 × 14
## City Country Date PM2.5 PM10 NO2 SO2 CO O3 Temperature
## <chr> <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Sydney Australia 2023-01-01 NA NA NA NA NA NA NA
## 2 Sydney Australia 2023-01-02 74.7 70.6 33.8 20.2 3.36 84.6 7.15
## 3 Sydney Australia 2023-01-03 58.2 129. 62.0 36.6 4.65 106. 11.6
## 4 Sydney Australia 2023-01-04 109. 89.8 43.5 17.8 3.35 139. 18.8
## 5 Sydney Australia 2023-01-05 16.3 95.6 67.3 14.7 7.05 72.8 6.22
## 6 Sydney Australia 2023-01-06 144. 29 73.9 16.2 0.14 157 31.1
## # ℹ 4 more variables: Humidity <dbl>, Wind.Speed <dbl>, Continent <chr>,
## # Hemisphere <chr>- ¿Hay alguna razón / patrón en los Missing Values?
¿Ocurrencia por fecha específica?
df2 %>%
gg_miss_span(
var = Date,
span_every = 30,
facet = City
) +
labs(title = "Patrón de Días Faltantes (NA) a lo largo del Tiempo",
x = "Bloque de 30 Días",
y = "Conteo de Días Faltantes") +
theme_minimal()
# Compara el % de NA para todas las variables, agrupado por Ciudad
df2 %>%
gg_miss_fct(fct = Continent) +
labs(title = "Datos Faltantes por Ciudad")+
theme(
axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)
)
# Compara el % de NA para todas las variables, agrupado por Ciudad
df2 %>% filter(Continent == 'Africa') %>%
gg_miss_fct(fct = City) +
labs(title = "Datos Faltantes por ciudad en Africa")+
theme(
axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)
)
# Compara el % de NA para todas las variables, agrupado por Ciudad
df2 %>% filter(Continent == 'Asia') %>%
gg_miss_fct(fct = City) +
labs(title = "Datos Faltantes por ciudad en Asia")+
theme(
axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)
)
# Compara el % de NA para todas las variables, agrupado por Ciudad
df2 %>% filter(Continent == 'Europe') %>%
gg_miss_fct(fct = City) +
labs(title = "Datos Faltantes por ciudad en Europa")+
theme(
axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)
)
# Compara el % de NA para todas las variables, agrupado por Ciudad
df2 %>% filter(Continent == 'Europe') %>%
gg_miss_fct(fct = City) +
labs(title = "Datos Faltantes por ciudad en Europa")+
theme(
axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)
)
# Compara el % de NA para todas las variables, agrupado por Ciudad
df2 %>% filter(Continent == 'N-America') %>%
gg_miss_fct(fct = City) +
labs(title = "Datos Faltantes por ciudad en Norte Ámercia")+
theme(
axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)
)
# Compara el % de NA para todas las variables, agrupado por Ciudad
df2 %>% filter(Continent == 'Oceania') %>%
gg_miss_fct(fct = City) +
labs(title = "Datos Faltantes por ciudad en Oceanía")+
theme(
axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)
)
# Compara el % de NA para todas las variables, agrupado por Ciudad
df2 %>% filter(Continent == 'S-America') %>%
gg_miss_fct(fct = City) +
labs(title = "Datos Faltantes por ciudad en Sur Ámercia")+
theme(
axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)
)
resumen_faltantes <- df2 %>%
# 1. Agrupamos por las dos variables
group_by(Country, City) %>%
# 2. Calculamos las estadísticas
summarise(
#Total_Dias = n(),
Faltantes_PM25 = sum(is.na(PM2.5)),
#Porcentaje_PM25 = round(mean(is.na(PM2.5)) * 100, 2),
.groups = "drop"
) %>%
# 3. Ordenamos para ver los peores casos arriba
arrange(desc(Faltantes_PM25))
# Ver la tabla
print(resumen_faltantes)## # A tibble: 20 × 3
## Country City Faltantes_PM25
## <chr> <chr> <int>
## 1 Australia Sydney 114
## 2 Mexico Mexico City 113
## 3 USA New York 111
## 4 UAE Dubai 110
## 5 UK London 107
## 6 Brazil Rio de Janeiro 106
## 7 China Beijing 106
## 8 South Korea Seoul 106
## 9 Japan Tokyo 105
## 10 Egypt Cairo 104
## 11 Turkey Istanbul 103
## 12 Germany Berlin 101
## 13 USA Los Angeles 100
## 14 Thailand Bangkok 98
## 15 France Paris 97
## 16 India Mumbai 95
## 17 Russia Moscow 93
## 18 South Africa Johannesburg 91
## 19 Spain Madrid 89
## 20 Canada Toronto 88df_i <- df2 %>%
group_by(Country, City) %>%
arrange(Date) %>%
mutate(across(
where(is.numeric),
~zoo::na.approx(., na.rm = FALSE)
)) %>%
fill(
where(is.numeric),
.direction = "downup"
) %>%
ungroup()
# Verificación final
sum(is.na(df_i$PM2.5))## [1] 0head(df_i)## # A tibble: 6 × 14
## City Country Date PM2.5 PM10 NO2 SO2 CO O3 Temperature
## <chr> <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Sydney Austra… 2023-01-01 74.7 70.6 33.8 20.2 3.36 84.6 7.15
## 2 Rio de Jan… Brazil 2023-01-01 31.3 97.8 49.4 26.4 6.51 160. 15
## 3 Toronto Canada 2023-01-01 149. 98.0 73.0 43.5 9.38 178. -5.05
## 4 Beijing China 2023-01-01 70.9 60.7 53.4 38.2 5.61 33.8 7.39
## 5 Cairo Egypt 2023-01-01 81.9 97.9 36.7 34.2 3.88 106. 2.16
## 6 Paris France 2023-01-01 81.8 12.0 55.0 27.4 3.02 66.3 4.92
## # ℹ 4 more variables: Humidity <dbl>, Wind.Speed <dbl>, Continent <chr>,
## # Hemisphere <chr>df_i |> vis_dat()
df_i |> skimr::skim() |> skimr::yank("numeric")Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| PM2.5 | 0 | 1 | 77.27 | 32.11 | 5.03 | 54.57 | 77.06 | 99.41 | 149.96 | ▂▆▇▅▂ |
| PM10 | 0 | 1 | 103.84 | 42.02 | 10.07 | 74.83 | 103.82 | 133.17 | 199.91 | ▂▆▇▅▂ |
| NO2 | 0 | 1 | 52.03 | 20.76 | 5.01 | 38.00 | 52.25 | 66.66 | 99.98 | ▂▅▇▆▂ |
| SO2 | 0 | 1 | 25.37 | 10.73 | 1.01 | 18.15 | 25.43 | 32.74 | 49.95 | ▂▅▇▅▂ |
| CO | 0 | 1 | 5.04 | 2.16 | 0.10 | 3.56 | 5.04 | 6.51 | 10.00 | ▂▅▇▅▂ |
| O3 | 0 | 1 | 105.88 | 42.10 | 10.05 | 76.37 | 106.28 | 135.41 | 199.90 | ▂▅▇▆▂ |
| Temperature | 0 | 1 | 14.99 | 10.94 | -10.00 | 7.58 | 14.89 | 22.62 | 39.98 | ▂▅▇▅▂ |
| Humidity | 0 | 1 | 55.10 | 19.63 | 10.01 | 41.35 | 54.96 | 68.77 | 99.92 | ▂▆▇▆▂ |
| Wind.Speed | 0 | 1 | 10.22 | 4.34 | 0.51 | 7.24 | 10.25 | 13.18 | 19.99 | ▂▅▇▆▂ |
df_i |> plot_num()## Warning: attributes are not identical across measure variables; they will be
## dropped
dfc |> freq()
## City frequency percentage cumulative_perc
## 1 Bangkok 362 5 5
## 2 Beijing 362 5 10
## 3 Berlin 362 5 15
## 4 Cairo 362 5 20
## 5 Dubai 362 5 25
## 6 Istanbul 362 5 30
## 7 Johannesburg 362 5 35
## 8 London 362 5 40
## 9 Los Angeles 362 5 45
## 10 Madrid 362 5 50
## 11 Mexico City 362 5 55
## 12 Moscow 362 5 60
## 13 Mumbai 362 5 65
## 14 New York 362 5 70
## 15 Paris 362 5 75
## 16 Rio de Janeiro 362 5 80
## 17 Seoul 362 5 85
## 18 Sydney 362 5 90
## 19 Tokyo 362 5 95
## 20 Toronto 362 5 100
## Country frequency percentage cumulative_perc
## 1 USA 724 10 10
## 2 Australia 362 5 15
## 3 Brazil 362 5 20
## 4 Canada 362 5 25
## 5 China 362 5 30
## 6 Egypt 362 5 35
## 7 France 362 5 40
## 8 Germany 362 5 45
## 9 India 362 5 50
## 10 Japan 362 5 55
## 11 Mexico 362 5 60
## 12 Russia 362 5 65
## 13 South Africa 362 5 70
## 14 South Korea 362 5 75
## 15 Spain 362 5 80
## 16 Thailand 362 5 85
## 17 Turkey 362 5 90
## 18 UAE 362 5 95
## 19 UK 362 5 100## [1] "Variables processed: City, Country"Cambio a data set Long
df_long <- df_i %>%
pivot_longer(!c(City, Country, Date,Continent,Hemisphere), names_to = "Metrica", values_to = "valor")
df_long |> head()## # A tibble: 6 × 7
## City Country Date Continent Hemisphere Metrica valor
## <chr> <chr> <date> <chr> <chr> <chr> <dbl>
## 1 Sydney Australia 2023-01-01 Oceania South PM2.5 74.7
## 2 Sydney Australia 2023-01-01 Oceania South PM10 70.6
## 3 Sydney Australia 2023-01-01 Oceania South NO2 33.8
## 4 Sydney Australia 2023-01-01 Oceania South SO2 20.2
## 5 Sydney Australia 2023-01-01 Oceania South CO 3.36
## 6 Sydney Australia 2023-01-01 Oceania South O3 84.6df_long %>%
ggplot(mapping = aes(x = Hemisphere, y = valor, fill = Hemisphere)) +
geom_boxplot() +
facet_wrap(~ Metrica, scales = "free", ncol = 3) + # <-- 1. Reducimos el número de columnas
scale_fill_viridis_d(option = "plasma", end = .7) + # <-- 2. Corregido a scale_fill
labs(
title = "Comparación de Variables de Calidad del Aire por Hemisferio",
x = "Hemisferio", # <-- 3. Añadimos etiquetas a los ejes
y = "Valor"
) +
theme_minimal() + # <-- 4. Usamos un tema base más limpio
theme(
# --- Ajustes para reducir el amontonamiento ---
axis.text.x = element_text(angle = 90, hjust = 1, size = 7), # <-- 5. Rotamos y achicamos el texto del eje X
strip.text = element_text(size = 8, face = "bold"), # <-- 6. Achicamos el texto de las facetas
axis.title = element_text(size = 9), # <-- 7. Ajustamos el tamaño de los títulos de los ejes
# --- Ajustes adicionales ---
plot.title = element_text(hjust = 0.5, size = 16), # Centramos y ajustamos el título principal
legend.position = "none" # Mantenemos la leyenda oculta
)
df_long %>%
ggplot(mapping = aes(x = valor, fill = Hemisphere)) + # <-- 1. 'valor' en el eje X
# 2. Usamos geom_density en lugar de histograma
geom_density(alpha = 0.7) +
facet_wrap(~ Metrica, scales = "free", ncol = 3) +
scale_fill_viridis_d(option = "plasma", end = .7) +
labs(
title = "Densidad de Variables de Calidad del Aire por Hemisferio",
x = "Valor de la Métrica", # <-- 3. Actualizamos etiquetas
y = "Densidad"
) +
theme_minimal() +
theme(
strip.text = element_text(size = 8, face = "bold"),
axis.title = element_text(size = 9),
plot.title = element_text(hjust = 0.5, size = 16),
legend.position = "right"
)
df_long %>%
ggplot(mapping = aes(x = Continent, y = valor, fill = Continent)) +
geom_boxplot() +
facet_wrap(~ Metrica, scales = "free", ncol = 3) + # <-- 1. Reducimos el número de columnas
scale_fill_viridis_d(option = "plasma", end = .7) + # <-- 2. Corregido a scale_fill
labs(
title = "Comparación de Variables de Calidad del Aire por Continente",
x = "Continent", # <-- 3. Añadimos etiquetas a los ejes
y = "Valor"
) +
theme_minimal() + # <-- 4. Usamos un tema base más limpio
theme(
# --- Ajustes para reducir el amontonamiento ---
axis.text.x = element_text(angle = 90, hjust = 1, size = 7), # <-- 5. Rotamos y achicamos el texto del eje X
strip.text = element_text(size = 8, face = "bold"), # <-- 6. Achicamos el texto de las facetas
axis.title = element_text(size = 9), # <-- 7. Ajustamos el tamaño de los títulos de los ejes
# --- Ajustes adicionales ---
plot.title = element_text(hjust = 0.5, size = 16), # Centramos y ajustamos el título principal
legend.position = "none" # Mantenemos la leyenda oculta
)
df_long %>%
ggplot(mapping = aes(x = valor, fill = Continent)) + # <-- 1. 'valor' en el eje X
# 2. Usamos geom_density en lugar de histograma
geom_density(alpha = 0.7) +
facet_wrap(~ Metrica, scales = "free", ncol = 3) +
scale_fill_viridis_d(option = "plasma", end = .7) +
labs(
title = "Densidad de Variables de Calidad del Aire por Continente",
x = "Valor de la Métrica", # <-- 3. Actualizamos etiquetas
y = "Densidad"
) +
theme_minimal() +
theme(
strip.text = element_text(size = 8, face = "bold"),
axis.title = element_text(size = 9),
plot.title = element_text(hjust = 0.5, size = 16),
legend.position = "right"
)
df_long %>%
ggplot(mapping = aes(x = Country, y = valor, fill = Country)) +
geom_boxplot() +
facet_wrap(~ Metrica, scales = "free", ncol = 3) + # <-- 1. Reducimos el número de columnas
scale_fill_viridis_d(option = "plasma", end = .7) + # <-- 2. Corregido a scale_fill
labs(
title = "Comparación de Variables de Calidad del Aire por País",
x = "Hemisferio", # <-- 3. Añadimos etiquetas a los ejes
y = "Valor"
) +
theme_minimal() + # <-- 4. Usamos un tema base más limpio
theme(
# --- Ajustes para reducir el amontonamiento ---
axis.text.x = element_text(angle = 90, hjust = 1, size = 7), # <-- 5. Rotamos y achicamos el texto del eje X
strip.text = element_text(size = 8, face = "bold"), # <-- 6. Achicamos el texto de las facetas
axis.title = element_text(size = 9), # <-- 7. Ajustamos el tamaño de los títulos de los ejes
# --- Ajustes adicionales ---
plot.title = element_text(hjust = 0.5, size = 16), # Centramos y ajustamos el título principal
legend.position = "none" # Mantenemos la leyenda oculta
)
columnas_numericas <- c("PM2.5", "PM10", "NO2", "SO2", "CO", "O3",
"Temperature", "Humidity", "Wind.Speed")
ggpairs(
df_i,
columns = columnas_numericas,
progress = FALSE,
mapping = aes(color = Continent),
title = "Matriz de Correlación y Dispersión por Continente",
upper = list(
continuous = wrap(ggally_cor, size = 2)
)
) +
theme_minimal()+
theme(
plot.title = element_text(size = 16, hjust = 0.5),
strip.text = element_text(size = 5, face = "bold"),
axis.text = element_text(size = 6),
legend.position = "bottom",
legend.title = element_text(size = 10),
legend.text = element_text(size = 8),
# Quita el fondo del panel (el área donde se dibujan los puntos)
panel.background = element_blank(),
# Quita el fondo general de todo el gráfico
plot.background = element_blank(),
# Quita las líneas de la cuadrícula (grid)
panel.grid = element_blank(),
# (Opcional) Quita el borde del panel, si es que aparece
panel.border = element_blank()
)
columnas_numericas <- c("PM2.5", "PM10", "NO2", "SO2", "CO", "O3",
"Temperature", "Humidity", "Wind.Speed")
ggpairs(
df_i,
columns = columnas_numericas,
progress = FALSE,
mapping = aes(color = Hemisphere),
title = "Matriz de Correlación y Dispersión por Hemisferio",
upper = list(
continuous = wrap(ggally_cor, size = 2)
)
) +
theme_minimal()+
theme(
plot.title = element_text(size = 16, hjust = 0.5),
strip.text = element_text(size = 5, face = "bold"),
axis.text = element_text(size = 6),
legend.position = "bottom",
legend.title = element_text(size = 10),
legend.text = element_text(size = 8),
# Quita el fondo del panel (el área donde se dibujan los puntos)
panel.background = element_blank(),
# Quita el fondo general de todo el gráfico
plot.background = element_blank(),
# Quita las líneas de la cuadrícula (grid)
panel.grid = element_blank(),
# (Opcional) Quita el borde del panel, si es que aparece
panel.border = element_blank()
)
df_long %>%
filter(Metrica == 'O3') %>%
ggplot(mapping = aes(x = valor, fill = Continent)) +
# 1. Usamos 'alpha' para transparencia en lugar de 'color'
geom_density(alpha = 0.7, show.legend = TRUE) +
facet_wrap(~Metrica, scales = "free", ncol = 3) + # <-- 2. Reducimos el número de columnas
scale_fill_viridis_d(option = "plasma", end = .7) + # <-- 3. Corregido a scale_fill_*
labs(
title = "Distribución de Variables de O3", # <-- 4. Título único y claro
x = "Valor del Feature",
y = "Densidad",
fill = "Continente" # Título para la leyenda
) +
theme_minimal() +
theme(
# --- Ajustes de tamaño y posición ---
plot.title = element_text(size = 16, hjust = 0.5), # Título principal
strip.text = element_text(size = 9, face = "bold"), # Títulos de las facetas (más pequeños)
axis.title = element_text(size = 10), # Títulos de los ejes
axis.text = element_text(size = 8), # Texto en los ejes (números)
legend.position = "bottom", # <-- 5. Movemos la leyenda abajo
legend.title = element_text(size = 10), # Título de la leyenda
legend.text = element_text(size = 8) # Texto de la leyenda (más pequeño)
)
df_long %>%
filter(Metrica == 'PM2.5') %>%
ggplot(mapping = aes(x = valor, fill = Hemisphere)) +
# 1. Usamos 'alpha' para transparencia en lugar de 'color'
geom_density(alpha = 0.7, show.legend = TRUE) +
facet_wrap(~Metrica, scales = "free", ncol = 3) + # <-- 2. Reducimos el número de columnas
scale_fill_viridis_d(option = "plasma", end = .7) + # <-- 3. Corregido a scale_fill_*
labs(
title = "Distribución de Variables de la PM 2.5", # <-- 4. Título único y claro
x = "Valor del Feature",
y = "Densidad",
fill = "Hemisferio" # Título para la leyenda
) +
theme_minimal() +
theme(
# --- Ajustes de tamaño y posición ---
plot.title = element_text(size = 16, hjust = 0.5), # Título principal
strip.text = element_text(size = 9, face = "bold"), # Títulos de las facetas (más pequeños)
axis.title = element_text(size = 10), # Títulos de los ejes
axis.text = element_text(size = 8), # Texto en los ejes (números)
legend.position = "bottom", # <-- 5. Movemos la leyenda abajo
legend.title = element_text(size = 10), # Título de la leyenda
legend.text = element_text(size = 8) # Texto de la leyenda (más pequeño)
)
df_promedio_continente <- df_i %>%
group_by(Continent, Date) %>%
summarise(
PM2.5_Promedio = mean(PM2.5, na.rm = TRUE),
.groups = "drop"
)
df_promedio_continente %>%
ggplot(aes(x = Date, y = PM2.5_Promedio, color = Continent)) +
geom_line(size = 0.8) +
# CAMBIO CLAVE AQUÍ:
# scales = "fixed" obliga a que todos los gráficos compartan el mismo eje Y.
# (Es el comportamiento por defecto, así que también podrías borrar el argumento scales)
facet_wrap(~ Continent, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de PM2.5 por Continente (Escala Comparativa)",
subtitle = "Todos los paneles usan el mismo rango en el eje Y para comparar magnitudes",
y = "Promedio PM2.5 (µg/m³)",
x = "Fecha"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 45, hjust = 1),
# Opcional: Agregar líneas de cuadrícula más claras para facilitar la lectura
panel.grid.major.y = element_line(color = "gray90")
)## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
library(dplyr)
library(ggplot2)
df_promedio_continente <- df_i %>%
group_by(Continent, Date) %>%
summarise(
PM2.5_Promedio = mean(PM2.5, na.rm = TRUE),
Temp_Promedio = mean(Temperature, na.rm = TRUE),
.groups = "drop"
)
max_pm <- max(df_promedio_continente$PM2.5_Promedio, na.rm = TRUE)
max_temp <- max(df_promedio_continente$Temp_Promedio, na.rm = TRUE)
scale_factor <- max_pm / max_temp
df_promedio_continente %>%
ggplot(aes(x = Date)) +
geom_line(aes(y = PM2.5_Promedio, color = "PM2.5"), size = 0.8) +
geom_line(aes(y = Temp_Promedio * scale_factor, color = "Temperatura"),
size = 0.8, linetype = "dashed") +
facet_wrap(~ Continent, scales = "fixed", ncol = 2) +
scale_y_continuous(
name = "Promedio PM2.5 (µg/m³)",
sec.axis = sec_axis(~ . / scale_factor, name = "Temperatura (°C)")
) +
scale_color_manual(values = c("PM2.5" = "black", "Temperatura" = "blue")) +
theme_minimal() +
labs(
title = "Relación entre PM2.5 y Temperatura por Continente",
subtitle = "PM2.5 (Línea sólida, Eje Izq) vs Temperatura (Línea punteada, Eje Der)",
x = "Fecha",
color = "Variable"
) +
theme(
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 45, hjust = 1),
legend.position = "bottom",
axis.title.y.left = element_text(color = "black", face = "bold"),
axis.title.y.right = element_text(color = "blue", face = "bold", vjust = 1.5)
)
df_promedio_continente_o <- df_i %>%
group_by(Continent, Date) %>%
summarise(
O3_Promedio = mean(O3, na.rm = TRUE),
.groups = "drop"
)
df_promedio_continente_o %>%
ggplot(aes(x = Date, y = O3_Promedio, color = Continent)) +
geom_line(size = 0.8) +
# CAMBIO CLAVE AQUÍ:
# scales = "fixed" obliga a que todos los gráficos compartan el mismo eje Y.
# (Es el comportamiento por defecto, así que también podrías borrar el argumento scales)
facet_wrap(~ Continent, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de O3 por Continente (Escala Comparativa)",
subtitle = "Todos los paneles usan el mismo rango en el eje Y para comparar magnitudes",
y = "Promedio O3",
x = "Fecha"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 45, hjust = 1),
# Opcional: Agregar líneas de cuadrícula más claras para facilitar la lectura
panel.grid.major.y = element_line(color = "gray90")
)
# 1. PREPARACIÓN: Calculamos el PROMEDIO diario por PAÍS
df_promedio_pais <- df_i %>%
group_by(Country, Date) %>% # <--- Cambio clave: Agrupamos por País
summarise(
PM2.5_Promedio = mean(PM2.5, na.rm = TRUE),
.groups = "drop"
)
# 2. VISUALIZACIÓN: Paneles separados por País
df_promedio_pais %>%
ggplot(aes(x = Date, y = PM2.5_Promedio, color = Country)) +
geom_line(size = 0.7) + # Línea un poco más fina para que se vea limpia
# Usamos facet_wrap por Country con escala FIJA
# ncol = 4 organiza los gráficos en 4 columnas (ajusta este número según cuántos países tengas)
facet_wrap(~ Country, scales = "fixed", ncol = 4) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de PM2.5 por País (Escala Comparativa)",
subtitle = "Todos los países bajo la misma escala vertical para comparar magnitud real",
y = "Promedio PM2.5 (µg/m³)",
x = "Fecha"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 8, face = "bold"), # Texto un poco más pequeño para que quepa
axis.text.x = element_text(angle = 90, vjust = 0.5, hjust = 1), # Rotamos 90 grados si hay muchos paneles
panel.grid.major.y = element_line(color = "gray90")
)
# 1. PREPARACIÓN: Calculamos el PROMEDIO diario por PAÍS
df_promedio_pais_o <- df_i %>%
group_by(Country, Date) %>% # <--- Cambio clave: Agrupamos por País
summarise(
O3_Promedio = mean(O3, na.rm = TRUE),
.groups = "drop"
)
# 2. VISUALIZACIÓN: Paneles separados por País
df_promedio_pais_o %>%
ggplot(aes(x = Date, y = O3_Promedio, color = Country)) +
geom_line(size = 0.7) + # Línea un poco más fina para que se vea limpia
# Usamos facet_wrap por Country con escala FIJA
# ncol = 4 organiza los gráficos en 4 columnas (ajusta este número según cuántos países tengas)
facet_wrap(~ Country, scales = "fixed", ncol = 4) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de O3 por País (Escala Comparativa)",
subtitle = "Todos los países bajo la misma escala vertical para comparar magnitud real",
y = "Promedio O3",
x = "Fecha"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 8, face = "bold"), # Texto un poco más pequeño para que quepa
axis.text.x = element_text(angle = 90, vjust = 0.5, hjust = 1), # Rotamos 90 grados si hay muchos paneles
panel.grid.major.y = element_line(color = "gray90")
)
Ajustemos el Data set para tener información Mensual y por estaciones del año
meses_espanol <- c("ene", "feb", "mar", "abr", "may", "jun",
"jul", "ago", "sep", "oct", "nov", "dic")
Q_labels <- c('Q-1','Q-2','Q-3','Q-4')
df_i2 = df_i %>%
mutate(
Quarter = factor(quarter(Date),levels=1:4,labels=Q_labels) ,
Month = factor(month(Date), levels = 1:12, labels = meses_espanol)
)
df_i2 |> head()## # A tibble: 6 × 16
## City Country Date PM2.5 PM10 NO2 SO2 CO O3 Temperature
## <chr> <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Sydney Austra… 2023-01-01 74.7 70.6 33.8 20.2 3.36 84.6 7.15
## 2 Rio de Jan… Brazil 2023-01-01 31.3 97.8 49.4 26.4 6.51 160. 15
## 3 Toronto Canada 2023-01-01 149. 98.0 73.0 43.5 9.38 178. -5.05
## 4 Beijing China 2023-01-01 70.9 60.7 53.4 38.2 5.61 33.8 7.39
## 5 Cairo Egypt 2023-01-01 81.9 97.9 36.7 34.2 3.88 106. 2.16
## 6 Paris France 2023-01-01 81.8 12.0 55.0 27.4 3.02 66.3 4.92
## # ℹ 6 more variables: Humidity <dbl>, Wind.Speed <dbl>, Continent <chr>,
## # Hemisphere <chr>, Quarter <fct>, Month <fct>df_i2 %>%
mutate(Season = case_when
(
#Hemisferio Norte
Hemisphere %in% c('North') & Month %in% c('dic','ene','feb') ~ "Winter",
Hemisphere %in% c('North') & Month %in% c('mar','abr','may') ~ "Spring",
Hemisphere %in% c('North') & Month %in% c('jun','jul','ago') ~ "Summer",
Hemisphere %in% c('North') & Month %in% c('sep','oct','nov') ~ "Autumn",
#Hemisferio Sur
Hemisphere %in% c('South') & Month %in% c('dic','ene','feb') ~ "Summer",
Hemisphere %in% c('South') & Month %in% c('mar','abr','may') ~ "Autumn",
Hemisphere %in% c('South') & Month %in% c('jun','jul','ago') ~ "Winter",
Hemisphere %in% c('South') & Month %in% c('sep','oct','nov') ~ "Spring"
))## # A tibble: 7,240 × 17
## City Country Date PM2.5 PM10 NO2 SO2 CO O3 Temperature
## <chr> <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Sydney Austra… 2023-01-01 74.7 70.6 33.8 20.2 3.36 84.6 7.15
## 2 Rio de Ja… Brazil 2023-01-01 31.3 97.8 49.4 26.4 6.51 160. 15
## 3 Toronto Canada 2023-01-01 149. 98.0 73.0 43.5 9.38 178. -5.05
## 4 Beijing China 2023-01-01 70.9 60.7 53.4 38.2 5.61 33.8 7.39
## 5 Cairo Egypt 2023-01-01 81.9 97.9 36.7 34.2 3.88 106. 2.16
## 6 Paris France 2023-01-01 81.8 12.0 55.0 27.4 3.02 66.3 4.92
## 7 Berlin Germany 2023-01-01 130. 87.5 86.3 41.4 5.17 28.5 -1.88
## 8 Mumbai India 2023-01-01 111. 164. 76.7 31.0 2.60 151. 30.1
## 9 Tokyo Japan 2023-01-01 69.7 153. 18.4 37.5 5.28 31.4 2.72
## 10 Mexico Ci… Mexico 2023-01-01 45.9 181. 45.5 39.7 8.44 61.7 32.2
## # ℹ 7,230 more rows
## # ℹ 7 more variables: Humidity <dbl>, Wind.Speed <dbl>, Continent <chr>,
## # Hemisphere <chr>, Quarter <fct>, Month <fct>, Season <chr>df_avg_continen_Month <- df_i2 %>%
group_by(Continent, Month) %>%
summarise(
PM2.5_Promedio = mean(PM2.5, na.rm = TRUE),
.groups = "drop"
)
df_avg_continen_Month %>%
ggplot(aes(x = Month, y = PM2.5_Promedio, color = Continent, group = Continent)) +
geom_line(size = 0.5) +
geom_point(size = 2) +
facet_wrap(~ Continent, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de PM2.5 por Continente",
subtitle = "Comparativa mensual",
y = "Promedio PM2.5 (µg/m³)",
x = "Mes"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 1),
panel.grid.major.y = element_line(color = "gray90")
)
df_avg_continen_Month <- df_i2 %>%
group_by(Continent, Month) %>%
summarise(
O3_avg = mean(O3, na.rm = TRUE),
.groups = "drop"
)
df_avg_continen_Month %>%
ggplot(aes(x = Month, y = O3_avg, color = Continent, group = Continent)) +
geom_line(size = 0.5) +
geom_point(size = 2) +
facet_wrap(~ Continent, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de O3 por Continente",
subtitle = "Comparativa mensual",
y = "O3",
x = "Mes"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 1),
panel.grid.major.y = element_line(color = "gray90")
)
Al parecer Sur Ámerica tiene los niveles más altos en espocas de calor
df_mensual_compare <- df_i2 %>%
group_by(Continent, Month) %>%
summarise(
PM2.5_Val = mean(PM2.5, na.rm = TRUE),
O3_Val = mean(O3, na.rm = TRUE),
.groups = "drop"
)
max_pm <- max(df_mensual_compare$PM2.5_Val, na.rm = TRUE)
max_o3 <- max(df_mensual_compare$O3_Val, na.rm = TRUE)
coeff <- max_pm / max_o3
df_mensual_compare %>%
ggplot(aes(x = Month, group = Continent)) +
geom_line(aes(y = PM2.5_Val, color = "PM2.5"), size = 1) +
geom_point(aes(y = PM2.5_Val, color = "PM2.5"), size = 2) +
geom_line(aes(y = O3_Val * coeff, color = "O3 (Ozono)"), size = 1, linetype = "dashed") +
facet_wrap(~ Continent, scales = "fixed", ncol = 2) +
scale_y_continuous(
name = "Promedio PM2.5 (µg/m³)",
sec.axis = sec_axis(~ . / coeff, name = "Promedio Ozono (µg/m³)")
) +
scale_color_manual(values = c("PM2.5" = "#2c3e50", "O3 (Ozono)" = "#e67e22")) +
theme_minimal() +
labs(
title = "Comparativa Estacional: PM2.5 vs Ozono",
subtitle = "Línea Sólida = PM2.5 | Línea Punteada = Ozono",
x = "Mes",
color = "Contaminante"
) +
theme(
legend.position = "bottom",
strip.text = element_text(size = 12, face = "bold"),
axis.text.x = element_text(angle = 45, hjust = 1),
axis.title.y.left = element_text(color = "#2c3e50", face = "bold"),
axis.title.y.right = element_text(color = "#e67e22", face = "bold", vjust = 1.5)
)
Deep Dive PM 2.5 por país
Por país
Hemisferio Norte
Africa - Egipto
df_avg_continen_Month <- df_i2 %>%
filter(Country == 'Egypt') %>%
group_by(Country, Month) %>%
summarise(
PM2.5_Promedio = mean(PM2.5, na.rm = TRUE),
.groups = "drop"
)
df_avg_continen_Month %>%
ggplot(aes(x = Month, y = PM2.5_Promedio, color = Country, group = Country)) +
geom_line(size = 0.5) +
geom_point(size = 2) +
facet_wrap(~ Country, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de PM2.5 por País Asíatico",
subtitle = "Comparativa mensual",
y = "Promedio PM2.5 (µg/m³)",
x = "Mes"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 1),
panel.grid.major.y = element_line(color = "gray90")
)
Egipto tiene un punto atípico en dic 2023 ¿por qué? #### Asia
df_avg_continen_Month <- df_i2 %>%
filter(Continent == 'Asia') %>%
group_by(Country, Month) %>%
summarise(
PM2.5_Promedio = mean(PM2.5, na.rm = TRUE),
.groups = "drop"
)
df_avg_continen_Month %>%
ggplot(aes(x = Month, y = PM2.5_Promedio, color = Country, group = Country)) +
geom_line(size = 0.5) +
geom_point(size = 2) +
facet_wrap(~ Country, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de PM2.5 por País Asíatico",
subtitle = "Comparativa mensual",
y = "Promedio PM2.5 (µg/m³)",
x = "Mes"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 1),
panel.grid.major.y = element_line(color = "gray90")
)
Europa
df_avg_continen_Month <- df_i2 %>%
filter(Continent == 'Europe') %>%
group_by(Country, Month) %>%
summarise(
PM2.5_Promedio = mean(PM2.5, na.rm = TRUE),
.groups = "drop"
)
df_avg_continen_Month %>%
ggplot(aes(x = Month, y = PM2.5_Promedio, color = Country, group = Country)) +
geom_line(size = 0.5) +
geom_point(size = 2) +
facet_wrap(~ Country, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de PM2.5 por País Europeo",
subtitle = "Comparativa mensual",
y = "Promedio PM2.5 (µg/m³)",
x = "Mes"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 1),
panel.grid.major.y = element_line(color = "gray90")
)
Norte Ámerica
df_avg_continen_Month <- df_i2 %>%
filter(Continent == 'N-America') %>%
group_by(Country, Month) %>%
summarise(
PM2.5_Promedio = mean(PM2.5, na.rm = TRUE),
.groups = "drop"
)
df_avg_continen_Month %>%
ggplot(aes(x = Month, y = PM2.5_Promedio, color = Country, group = Country)) +
geom_line(size = 0.5) +
geom_point(size = 2) +
facet_wrap(~ Country, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de PM2.5 por País de Norte Ámerica",
subtitle = "Comparativa mensual",
y = "Promedio PM2.5 (µg/m³)",
x = "Mes"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 1),
panel.grid.major.y = element_line(color = "gray90")
)
Verano (Jun-Ago en Norte): Deberías ver que el Ozono (Naranja) sube (por el sol) y a menudo el PM2.5 baja (por mejor dispersión del aire).
Invierno (Dic-Feb en Norte): El Ozono baja y el PM2.5 (Azul) suele subir (por inversiones térmicas y calefacción).
En México, CDMX sube en mayo los niveles PM 2.5…. en Canada que usualmente es frío y que en Mx y USA subieron los niveles, Canada bajan
Hemisferio Sur
Africa - South Africa
Para el Deep Dive de Hemisferio Sur, solo graficaremos a South Africa porque Oceanía y Sur Ámerica solo tienen un país CD
df_avg_continen_Month <- df_i2 %>%
filter(Country == 'South Africa') %>%
group_by(Country, Month) %>%
summarise(
PM2.5_Promedio = mean(PM2.5, na.rm = TRUE),
.groups = "drop"
)
df_avg_continen_Month %>%
ggplot(aes(x = Month, y = PM2.5_Promedio, color = Country, group = Country)) +
geom_line(size = 0.5) +
geom_point(size = 2) +
facet_wrap(~ Country, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de PM2.5 por País Asíatico",
subtitle = "Comparativa mensual",
y = "Promedio PM2.5 (µg/m³)",
x = "Mes"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 1),
panel.grid.major.y = element_line(color = "gray90")
)
Deep Dive O3 por país
Por país
Hemisferio Norte
Africa - Egipto
df_avg_continen_Month <- df_i2 %>%
filter(Country == 'Egypt') %>%
group_by(Country, Month) %>%
summarise(
O3_Promedio = mean(O3, na.rm = TRUE),
.groups = "drop"
)
df_avg_continen_Month %>%
ggplot(aes(x = Month, y = O3_Promedio, color = Country, group = Country)) +
geom_line(size = 0.5) +
geom_point(size = 2) +
facet_wrap(~ Country, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de O3 para Egipto",
subtitle = "Comparativa mensual",
y = "O3",
x = "Mes"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 1),
panel.grid.major.y = element_line(color = "gray90")
)
Egipto tiene un punto atípico en dic 2023 ¿por qué? #### Asia
df_avg_continen_Month <- df_i2 %>%
filter(Continent == 'Asia') %>%
group_by(Country, Month) %>%
summarise(
O3_Promedio = mean(O3, na.rm = TRUE),
.groups = "drop"
)
df_avg_continen_Month %>%
ggplot(aes(x = Month, y = O3_Promedio, color = Country, group = Country)) +
geom_line(size = 0.5) +
geom_point(size = 2) +
facet_wrap(~ Country, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de O3 por País Asíatico",
subtitle = "Comparativa mensual",
y = "Promedio O3",
x = "Mes"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 1),
panel.grid.major.y = element_line(color = "gray90")
)
Europa
df_avg_continen_Month <- df_i2 %>%
filter(Continent == 'Europe') %>%
group_by(Country, Month) %>%
summarise(
O3_Promedio = mean(O3, na.rm = TRUE),
.groups = "drop"
)
df_avg_continen_Month %>%
ggplot(aes(x = Month, y = O3_Promedio, color = Country, group = Country)) +
geom_line(size = 0.5) +
geom_point(size = 2) +
facet_wrap(~ Country, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de O3 por País Europeo",
subtitle = "Comparativa mensual",
y = "Promedio O3)",
x = "Mes"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 1),
panel.grid.major.y = element_line(color = "gray90")
)
Es extraño el comportamiento de Alemania por que desde agosto debería comenzar a bajar la temperatura y se ve una “montaña”. Más adelante lo cruzamos con temperatura
Norte Ámerica
df_avg_continen_Month <- df_i2 %>%
filter(Continent == 'N-America') %>%
group_by(Country, Month) %>%
summarise(
O3_Promedio = mean(O3, na.rm = TRUE),
.groups = "drop"
)
df_avg_continen_Month %>%
ggplot(aes(x = Month, y = O3_Promedio, color = Country, group = Country)) +
geom_line(size = 0.5) +
geom_point(size = 2) +
facet_wrap(~ Country, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de O3 por País de Norte Ámerica",
subtitle = "Comparativa mensual",
y = "O3",
x = "Mes"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 1),
panel.grid.major.y = element_line(color = "gray90")
)
Aparentemente hay un pico a la baja de O3 atípico en Canada, crucemos con Temperatura
Hemisferio Sur
Africa - South Africa
Para el Deep Dive de Hemisferio Sur, solo graficaremos a South Africa porque Oceanía y Sur Ámerica solo tienen un país CD
df_avg_continen_Month <- df_i2 %>%
filter(Country == 'South Africa') %>%
group_by(Country, Month) %>%
summarise(
O3_Promedio = mean(O3, na.rm = TRUE),
.groups = "drop"
)
df_avg_continen_Month %>%
ggplot(aes(x = Month, y = O3_Promedio, color = Country, group = Country)) +
geom_line(size = 0.5) +
geom_point(size = 2) +
facet_wrap(~ Country, scales = "fixed", ncol = 2) +
scale_color_viridis_d(option = "turbo") +
theme_minimal() +
labs(
title = "Tendencia Promedio de O3 por País Asíatico",
subtitle = "Comparativa mensual",
y = "O3",
x = "Mes"
) +
theme(
legend.position = "none",
strip.text = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 1),
panel.grid.major.y = element_line(color = "gray90")
)
colnames(df_i2)## [1] "City" "Country" "Date" "PM2.5" "PM10"
## [6] "NO2" "SO2" "CO" "O3" "Temperature"
## [11] "Humidity" "Wind.Speed" "Continent" "Hemisphere" "Quarter"
## [16] "Month"tabla_promedios <- df_i2 %>%
group_by(Country) %>%
summarise(
O3 = round(mean(O3, na.rm = TRUE), 2),
PM2.5 = round(mean(PM2.5, na.rm = TRUE), 2),
Temperatura = round(mean(Temperature, na.rm = TRUE), 2),
Velocidad_Viento = round(mean(Wind.Speed, na.rm = TRUE), 2),
Humedad = round(mean(Humidity, na.rm = TRUE), 2)
) %>%
# Opcional: Ordenar por PM2.5 de mayor a menor para ver los más contaminados arriba
arrange(desc(PM2.5))
# Ver la tabla en consola
print(tabla_promedios)## # A tibble: 19 × 6
## Country O3 PM2.5 Temperatura Velocidad_Viento Humedad
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 UAE 108. 81 15 10.8 56.9
## 2 India 104. 79.8 14.1 10.5 54.1
## 3 China 106. 79.2 15 10.5 54.4
## 4 Canada 110. 78.8 15.2 10.6 55.9
## 5 Australia 103. 78 13.9 10.1 56.8
## 6 Mexico 107. 77.8 15.4 10.4 56.2
## 7 Germany 101. 77.8 15.3 10.2 53.0
## 8 Thailand 97.3 77.6 14.6 10.6 57.8
## 9 UK 105. 77.0 16.1 10.3 56.6
## 10 Russia 106. 77.0 16 10.1 55.5
## 11 USA 105. 76.9 14.8 9.82 53.2
## 12 Brazil 108. 76.9 16.4 10.5 55.0
## 13 Turkey 105. 76.8 14.8 10.0 54.8
## 14 Japan 110. 76.8 13.8 10.7 54.0
## 15 South Africa 108. 76.7 14.7 9.62 55.8
## 16 Egypt 107. 76.7 14.8 9.71 53.0
## 17 Spain 103. 75.0 14.7 9.91 52.3
## 18 South Korea 109. 74.9 15.7 10.2 56.6
## 19 France 108. 73.6 14.5 10 56.9tabla_larga <- tabla_promedios %>%
pivot_longer(
cols = -Country, # Tomamos todas las columnas menos el País
names_to = "Variable", # Nombre de la nueva columna de categorías
values_to = "Valor" # Nombre de la nueva columna de valores
)
# 2. Creamos el Gráfico Facetado
ggplot(tabla_larga, aes(x = reorder(Country, Valor), y = Valor, fill = Variable)) +
geom_col(show.legend = FALSE) + # Barras sin leyenda (el título lo dice)
coord_flip() + # Volteamos el gráfico para leer bien los nombres de países
# CRUCIAL: scales = "free_x" permite que cada métrica tenga su propia escala
facet_wrap(~ Variable, scales = "free_x", ncol = 3) +
scale_fill_viridis_d() + # Colores bonitos
theme_minimal() +
labs(
title = "Comparativa de Promedios por País",
subtitle = "Cada panel muestra el ranking de países para esa variable específica",
x = "",
y = "Valor Promedio"
) +
theme(
strip.text = element_text(face = "bold", size = 10),
axis.text.y = element_text(size = 7) # Texto un poco más pequeño si hay muchos países
)
# 1. Seleccionamos solo las columnas numéricas de tu dataset completo
# (Asegúrate de excluir columnas categóricas como City, Country, Month, etc.)
datos_numericos <- df_i2 %>%
select(PM2.5, PM10, NO2, SO2, CO, O3, Temperature, Humidity,Wind.Speed)
# 2. Calculamos la matriz matemática de correlación
matriz_cor <- cor(datos_numericos, use = "complete.obs")
# 3. Graficamos
ggcorrplot(matriz_cor,
method = "circle", # O "square"
type = "lower", # Muestra solo la mitad inferior (para no repetir)
lab = TRUE, # Muestra el número de correlación dentro
lab_size = 3, # Tamaño del número
colors = c("#E46726", "white", "#6D9EC1"), # Rojo (Negativo) - Blanco - Azul (Positivo)
title = "Matriz de Correlación: Clima y Contaminantes",
ggtheme = ggplot2::theme_minimal)
# 1. Obtenemos la lista única de continentes
continentes <- unique(df_i2$Continent)
# 2. Iniciamos el bucle para generar un gráfico por cada uno
for(cont in continentes) {
# A. Filtramos los datos SOLO para ese continente
datos_continente <- df_i %>%
filter(Continent == cont) %>%
# Seleccionamos solo las numéricas (igual que antes)
select(PM2.5, PM10, NO2, SO2, CO, O3, Temperature, Humidity, Wind.Speed)
# B. Calculamos la correlación
# (Usamos tryCatch por si algún continente tiene pocos datos y falla, que el código siga)
try({
matriz_cor <- cor(datos_continente, use = "complete.obs")
# C. Creamos el Gráfico
p <- ggcorrplot(matriz_cor,
method = "circle",
type = "lower",
lab = TRUE,
lab_size = 3,
colors = c("#E46726", "white", "#6D9EC1"),
title = paste("Matriz de Correlación -", cont), # Título dinámico
ggtheme = ggplot2::theme_minimal)
# D. Imprimimos el gráfico en pantalla
print(p)
}, silent = TRUE)
}
# 1. Obtenemos la lista única de continentes
paises <- unique(df_i2$Country)
# 2. Iniciamos el bucle para generar un gráfico por cada uno
for(pais in paises) {
# A. Filtramos los datos SOLO para ese continente
datos_pais <- df_i %>%
filter(Country == pais) %>%
# Seleccionamos solo las numéricas (igual que antes)
select(PM2.5, PM10, NO2, SO2, CO, O3, Temperature, Humidity, Wind.Speed)
# B. Calculamos la correlación
# (Usamos tryCatch por si algún continente tiene pocos datos y falla, que el código siga)
try({
matriz_cor <- cor(datos_pais, use = "complete.obs")
# C. Creamos el Gráfico
p <- ggcorrplot(matriz_cor,
method = "circle",
type = "lower",
lab = TRUE,
lab_size = 3,
colors = c("#E46726", "white", "#6D9EC1"),
title = paste("Matriz de Correlación -", pais), # Título dinámico
ggtheme = ggplot2::theme_minimal)
# D. Imprimimos el gráfico en pantalla
print(p)
}, silent = TRUE)
}
